CBraMod：在公开 EEG 数据集上的结果

基础模型

CBraMod：在公开 EEG 数据集上的结果

CBraMod 是浙江大学 Wang 等人提出的 EEG 基础模型（ICLR 2025）。其 criss-cross Transformer 用两路并行注意力分别建模 EEG 片段之间的空间依赖和时间依赖，采用非对称条件位置编码，并在 TUEG 临床语料上以掩码片段重建方式预训练（预处理后保留超过 9,000 小时）。

测量所用数据集：ds003810、EEGMAT、BETA、ds006593、TMNRED / ds005383、EESM19 scalp subset、ds005342、Mobile BCI dataset (SSVEP and ERP paradigms)、OpenBMI motor imagery (Lee et al. 2019)、BOAS · Bitbrain Open Access Sleep dataset、WBCIC-SHU motor imagery dataset · 协议：运动想象与静息、心算与静息、SSVEP · 8 通道、SSVEP · 4 通道、P300 目标 ERP、语义目标 ERP、睡眠分期、空闲与指令

又称 CBraMod · Criss-Cross Brain Foundation Model · weighting666/CBraMod · Wang et al. 2025

参考文献 Wang J, Zhao S, Luo Z, Zhou Y, Jiang H, Li S, Li T, Pan G. CBraMod: A Criss-Cross Brain Foundation Model for EEG Decoding. International Conference on Learning Representations (ICLR), 2025. ↗

目录状态：已评测 · 官方代码 ↗ · 简介来源 arxiv.org · github.com · huggingface.co

已发布的结果

只在组内比较：不同组的任务、队列、随机水平与电极布局可能不同。只有 95% 区间不重叠时，才说一行高于另一行。

ds003810 · 核心矩阵 · 运动想象与静息

来源页面：核心矩阵协议：运动想象与静息 · 随机水平 50.0% · experiments.json

方法	条件	指标	数值	被试
CBraMod	Rest versus right-hand imagery	平衡准确率	62.9%59.6%–66.5%	10

ds003810 · 预训练 · 固定分类头

来源页面：预训练有用吗？ · deployment-topics.json

方法	条件	指标	数值	被试
CBraMod	运动想象 / 静息 · 预训练	平衡准确率	62.9%	10
CBraMod	运动想象 / 静息 · 随机初始化（均值）	平衡准确率	56.5%	10

ds003810 · 预训练 · 训练集内选定分类头

来源页面：预训练有用吗？ · deployment-topics.json

方法	条件	指标	数值	被试
CBraMod	运动想象 / 静息 · 预训练	平衡准确率	62.7%	10
CBraMod	运动想象 / 静息 · 随机初始化（均值）	平衡准确率	54.9%	10

ds003810 · 可靠的决策 · 什么时候该拒绝作出决定（粗略：10 名被试）

来源页面：何时不该执行 · reliable-decisions-update.json

方法	条件	指标	数值	被试
CBraMod	固定阈值：校准后的置信度不低于 0.8	被接受的窗口	7 / 1,200没有任何窗口被接受的被试：6 名（共 10 名）。	10
CBraMod	可学习的拒识选项减校准后的置信度，同一分类器（次要对比）	最有把握的 80% 中的错误率，差值（百分点）	+0.7 pp−0.8 pp–+2.4 pp不能认定有差异：区间包含零。	10

局限：十名被试，每个测试折两人。bootstrap 区间粗略；不发布按人的离散度。类别平衡，所以没有部署比率。这个数据集上可学习拒识选项的对比是次要对比。校准数据是与测试被试不重叠的内层折外分数（交叉拟合）。内层模型只见过约 3/4 的训练被试，所以可能比被测试分数的完整模型更不自信。这一近似体现在每一个经过校准的数字里。拒绝已知类别上可能判错的试次，不等于识别陌生的输入：不确定性阈值未必能标出没见过的类别（https://arxiv.org/abs/2603.13324）。第一条路线不作任何分布外的声明。只有配对的 95% 被试 bootstrap 区间不含 0 时，一个对比才称为有差异（不做多重比较校正）；否则写作“不能认定有差异”。只有区间不重叠时，才说一行高于另一行；描述性的数值也从不称为差异。第一条路线的全部局限 →

EEGMAT · 核心矩阵 · 心算与静息

来源页面：核心矩阵协议：心算与静息 · 随机水平 50.0% · experiments.json

方法	条件	指标	数值	被试
CBraMod	Serial subtraction versus resting EEG	平衡准确率	62.3%58.1%–66.5%	36

EEGMAT · 预训练 · 固定分类头

来源页面：预训练有用吗？ · deployment-topics.json

方法	条件	指标	数值	被试
CBraMod	脑力负荷 · 预训练	平衡准确率	62.3%	36
CBraMod	脑力负荷 · 随机初始化（均值）	平衡准确率	56.4%	36

EEGMAT · 预训练 · 训练集内选定分类头

来源页面：预训练有用吗？ · deployment-topics.json

方法	条件	指标	数值	被试
CBraMod	脑力负荷 · 预训练	平衡准确率	68.4%	36
CBraMod	脑力负荷 · 随机初始化（均值）	平衡准确率	61.7%	36

BETA · 核心矩阵 · SSVEP，8 通道

来源页面：核心矩阵协议：SSVEP · 8 通道 · 随机水平 2.5% · experiments.json

方法	条件	指标	数值	被试
CBraMod	40 visual targets · 8 posterior electrodes	平衡准确率	33.7%29.8%–37.6%	70

BETA · 核心矩阵 · SSVEP，4 通道

来源页面：核心矩阵协议：SSVEP · 4 通道 · 随机水平 2.5% · experiments.json

方法	条件	指标	数值	被试
CBraMod	40 visual targets · 4 posterior electrodes	平衡准确率	27.6%24.1%–31.3%	70

BETA · 可靠的决策 · 什么时候该拒绝作出决定

来源页面：何时不该执行 · reliable-decisions-update.json

方法	条件	指标	数值	被试
CBraMod	固定阈值：校准后的置信度不低于 0.8	被接受的试次	165 / 11,200没有任何试次被接受的被试：38 名（共 70 名）。	70
CBraMod	可学习的拒识选项减校准后的置信度，同一分类器	最有把握的 80% 中的错误率，差值（百分点）	−0.03 pp−0.8 pp–+0.6 pp不能认定有差异：区间包含零。	70

局限：设计上各目标的先验均匀；这是实验室里按提示节奏进行的拼写，没有空闲状态，所以给不出任何形式的误触发数字。校准数据是与测试被试不重叠的内层折外分数（交叉拟合）。内层模型只见过约 3/4 的训练被试，所以可能比被测试分数的完整模型更不自信。这一近似体现在每一个经过校准的数字里。拒绝已知类别上可能判错的试次，不等于识别陌生的输入：不确定性阈值未必能标出没见过的类别（https://arxiv.org/abs/2603.13324）。第一条路线不作任何分布外的声明。只有配对的 95% 被试 bootstrap 区间不含 0 时，一个对比才称为有差异（不做多重比较校正）；否则写作“不能认定有差异”。只有区间不重叠时，才说一行高于另一行；描述性的数值也从不称为差异。第一条路线的全部局限 →

BETA · 用语言提问 · SSVEP（第三条路线）

来源页面：用语言提问 · questions-in-language-update.json

方法	条件	指标	数值	被试
CBraMod	P1 · 标签模板 − 题号（TPL − ID）· 已见，32 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−3.49 pp−4.10–−2.93 ppID 更高；未达到 2 pp 界值；通过捷径检查。	70
CBraMod	P1 · 描述 − 题号（DESC − ID）· 已见，32 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−3.37 pp−3.98–−2.80 ppID 更高；未达到 2 pp 界值；通过捷径检查。	70
CBraMod	P2 · 新句式 − 训练问法（TPL(a1) − TPL(train)）· 已见，改写 · 三个随机种子	配对差值，语言问法减参照（pp）	−2.72 pp−4.43–−1.43 ppTPL(train) 更高；未达到 2 pp 界值；通过捷径检查。	70
CBraMod	P2 · 同义词 − 训练问法（TPL(a2) − TPL(train)）· 已见，改写，只对这三个同义词成立 · 三个随机种子	配对差值，语言问法减参照（pp）	−1.33 pp−1.53–−1.14 ppTPL(train) 更高；在 ±2 pp 内等效；通过捷径检查。	70
CBraMod	P2 · 新描述 − 训练描述（DESC(a3) − DESC(train)）· 已见，改写 · 三个随机种子	配对差值，语言问法减参照（pp）	−2.95 pp−3.81–−2.26 ppDESC(train) 更高；未达到 2 pp 界值；通过捷径检查。	70
CBraMod	P4 · 标签模板 − CCA（无需训练）（TPL − CCA）· 未见频率，8 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−61.94 pp−65.65–−58.06 pp未见过的问题。CCA 更高；未达到 2 pp 界值；通过余量门槛。	70
CBraMod	P4 · 标签模板 − 相邻两个已见频率的平均（TPL − NN(TPL)）· 未见频率，8 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−1.16 pp−1.97–−0.37 pp未见过的问题。NN(TPL) 更高；只读差异，不设界值；通过余量门槛。	70
CBraMod	P4 · 标签模板 − 数值编码（TPL − NUM）· 未见频率，8 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−2.46 pp−3.23–−1.69 pp未见过的问题。NUM 更高；只读差异，不设界值；通过余量门槛。	70
CBraMod	P4 · 标签模板 − CCA（无需训练）（TPL − CCA）· 未见频率，相邻 3 选 1（频率与刺激相位） · 三个随机种子	配对差值，语言问法减参照（pp）	−54.67 pp−57.77–−51.47 pp未见过的问题。CCA 更高；未达到 2 pp 界值；通过余量门槛。	70
CBraMod	P4 · 标签模板 − 数值编码（TPL − NUM）· 未见频率，相邻 3 选 1（频率与刺激相位） · 三个随机种子	配对差值，语言问法减参照（pp）	+15.61 pp+14.25–+16.93 pp未见过的问题。TPL 更高；只读差异，不设界值；通过余量门槛。	70

局限：“未见过”指 EEG 分类头没有见过；文本编码器读过这些词，而且每个留出频率的每个分词也都出现在训练文本中。留出的 SSVEP 问题说的是一个频率，而 CCA 不需要训练就能回答；主分析检验内插，外推只是次要分析。在相邻 3 选 1 中，未见过的频率要与两侧相邻频率已训练好的检测器竞争；在 L1 上，这项检验还牵涉刺激相位。改写的结果与未见问题的结果分行列出，从不合并。35 项预先声明的比较，未做多重比较校正。运行前的标签置换金丝雀检查失败了两次（修订 3 和修订 4），由所有者修订；所有者推翻了修订 4 写下的“不再修订”；修订 5 通过。两次失败的记录都保留并披露。第三条路线的全部局限 →

ds006593 · 核心矩阵 · P300 目标 ERP

来源页面：核心矩阵协议：P300 目标 ERP · 随机水平 50.0% · experiments.json

方法	条件	指标	数值	被试
CBraMod	Visual target versus nontarget events	平衡准确率	55.0%53.3%–56.7%	21

TMNRED / ds005383 · 核心矩阵 · 语义目标 ERP

来源页面：核心矩阵协议：语义目标 ERP · 随机水平 50.0% · experiments.json

方法	条件	指标	数值	被试
CBraMod	Reading · target versus nontarget events	平衡准确率	55.8%54.2%–57.4%	30

EESM19 scalp subset · 核心矩阵 · 睡眠分期

来源页面：核心矩阵协议：睡眠分期 · 随机水平 20.0% · experiments.json

方法	条件	指标	数值	被试
CBraMod	Five stages · balanced scalp-EEG sample	平衡准确率	71.3%68.7%–73.7%	20

ds005342 · 核心矩阵 · 空闲与指令

来源页面：核心矩阵协议：空闲与指令 · experiments.json

方法	条件	指标	数值	被试
CBraMod	Seated motor imagery · cue-gated replay	指令检出率 ≤3 秒	18.3%	4
CBraMod	Seated motor imagery · cue-gated replay	空闲误触发率	1.7%	4

Mobile BCI dataset (SSVEP and ERP paradigms) · 运动 · SSVEP，2 秒时间窗

来源页面：移动中的解码 · deployment-topics.json

CBraMod · 站立 · 头皮 · 8 通道

59.9% (54.3%–65.4%)

CBraMod · 慢走 · 0.8 m/s · 头皮 · 8 通道

46.2% (41.1%–51.4%)

CBraMod · 快走 · 1.6 m/s · 头皮 · 8 通道

46.0% (42.2%–49.6%)

平衡准确率，3 个配置。 点为估计值，横线为 95% 区间，虚线（如有）为随机水平。

方法	条件	指标	数值	被试
CBraMod	站立 · 头皮 · 8 通道	平衡准确率	59.9%54.3%–65.4%	23
CBraMod	慢走 · 0.8 m/s · 头皮 · 8 通道	平衡准确率	46.2%41.1%–51.4%	23
CBraMod	快走 · 1.6 m/s · 头皮 · 8 通道	平衡准确率	46.0%42.2%–49.6%	23

OpenBMI motor imagery (Lee et al. 2019) · 一个模型，多个问题 · 运动想象（第二条路线）

来源页面：一个模型，多个问题 · 随机水平 50.0% · shared-representation-update.json

CBraMod · 固定分类头（B-lin-fz-sgd） · 想象还是静息（MI-A）· 冻结特征上只训分类头，3 个随机种子

69.2% (67.0%–71.5%)

CBraMod · 共享隐藏层（B-sh-fz） · 想象还是静息（MI-A）· 冻结特征上只训分类头，3 个随机种子

70.9% (68.4%–73.4%)

CBraMod · 问题条件化分类头（C1-fz） · 想象还是静息（MI-A）· 冻结特征上只训分类头，3 个随机种子

70.8% (68.4%–73.2%)

CBraMod · 固定分类头（B-lin-fz-sgd） · 哪只手（MI-B）· 冻结特征上只训分类头，3 个随机种子

56.1% (54.8%–57.4%)

CBraMod · 共享隐藏层（B-sh-fz） · 哪只手（MI-B）· 冻结特征上只训分类头，3 个随机种子

56.7% (55.4%–58.2%)

CBraMod · 问题条件化分类头（C1-fz） · 哪只手（MI-B）· 冻结特征上只训分类头，3 个随机种子

57.2% (55.8%–58.6%)

平衡准确率，6 个配置。 点为估计值，横线为 95% 区间，虚线（如有）为随机水平。

方法	条件	指标	数值	被试
CBraMod	固定分类头（B-lin-fz-sgd） · 想象还是静息（MI-A）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	69.2%67.0%–71.5%	51
CBraMod	共享隐藏层（B-sh-fz） · 想象还是静息（MI-A）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	70.9%68.4%–73.4%	51
CBraMod	问题条件化分类头（C1-fz） · 想象还是静息（MI-A）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	70.8%68.4%–73.2%	51
CBraMod	想象还是静息（MI-A）· 冻结 CBraMod 特征上，问题条件化分类头减固定分类头（C1-fz − B-lin-fz-sgd）	配对差值（百分点），平衡准确率	+1.54 pp+0.86–+2.30 ppC1-fz 更高；未达到 2 pp 界值；通过门槛。	51
CBraMod	固定分类头（B-lin-fz-sgd） · 哪只手（MI-B）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	56.1%54.8%–57.4%	51
CBraMod	共享隐藏层（B-sh-fz） · 哪只手（MI-B）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	56.7%55.4%–58.2%	51
CBraMod	问题条件化分类头（C1-fz） · 哪只手（MI-B）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	57.2%55.8%–58.6%	51
CBraMod	哪只手（MI-B）· 冻结 CBraMod 特征上，问题条件化分类头减固定分类头（C1-fz − B-lin-fz-sgd）	配对差值（百分点），平衡准确率	+1.09 pp+0.08–+2.12 ppC1-fz 更高；未达到 2 pp 界值（处于下限，不读界值）；处于下限：报告，不计入。	51

局限：这些问题都是各自数据集里已有标签的分类目标，按标识提问。它们不是语言提示，对没见过的问题也说明不了什么（那是第 3 条路线）。逐人计算的平衡准确率对每名被试同等加权；它用来比较各设置，不是部署时的错误率。这里的 OpenBMI 数字用的是路线 2 自己的 2 秒窗口、不依赖标签的高通滤波和被试不重叠的交叉验证折；不能与本站 OpenBMI 跨会话校准的数字相比。配对 95% 区间不含零时，才算显示出差异；整个区间落在 ±2 pp 以内（这个界值在任何结果出来之前就已定下）时，才算等效；区间排除了某个设置落后 2 pp 或以上的可能时，说它非劣。不做多重比较校正：第二条路线有 21 项主分析比较，另有各项次要比较，在没有真实差异的比较里，约每 20 项就可能有 1 项偶然显示出差异。第二条路线的全部局限 →

BOAS · Bitbrain Open Access Sleep dataset · 一个模型，多个问题 · 睡眠（第二条路线）

来源页面：一个模型，多个问题 · shared-representation-update.json

CBraMod · 固定分类头（B-lin-fz-sgd） · 五期睡眠分期（SL-A）· 冻结特征上只训分类头，3 个随机种子

70.7% (68.5%–72.7%)

CBraMod · 共享隐藏层（B-sh-fz） · 五期睡眠分期（SL-A）· 冻结特征上只训分类头，3 个随机种子

71.4% (69.1%–73.6%)

CBraMod · 问题条件化分类头（C1-fz） · 五期睡眠分期（SL-A）· 冻结特征上只训分类头，3 个随机种子

70.9% (68.6%–73.0%)

CBraMod · 固定分类头（B-lin-fz-sgd） · 下一帧分期是否改变（SL-E）· 冻结特征上只训分类头，3 个随机种子

63.5% (62.3%–64.7%)

CBraMod · 共享隐藏层（B-sh-fz） · 下一帧分期是否改变（SL-E）· 冻结特征上只训分类头，3 个随机种子

65.5% (64.1%–66.7%)

CBraMod · 问题条件化分类头（C1-fz） · 下一帧分期是否改变（SL-E）· 冻结特征上只训分类头，3 个随机种子

65.2% (63.9%–66.5%)

CBraMod · 固定分类头（B-lin-fz-sgd） · 前半夜还是后半夜（SL-F）· 冻结特征上只训分类头，3 个随机种子

64.5% (62.8%–66.1%)

CBraMod · 共享隐藏层（B-sh-fz） · 前半夜还是后半夜（SL-F）· 冻结特征上只训分类头，3 个随机种子

65.2% (63.6%–66.9%)

CBraMod · 问题条件化分类头（C1-fz） · 前半夜还是后半夜（SL-F）· 冻结特征上只训分类头，3 个随机种子

65.2% (63.6%–66.9%)

平衡准确率，9 个配置。 点为估计值，横线为 95% 区间，虚线（如有）为随机水平。

方法	条件	指标	数值	被试
CBraMod	固定分类头（B-lin-fz-sgd） · 五期睡眠分期（SL-A）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	70.7%68.5%–72.7%	100
CBraMod	共享隐藏层（B-sh-fz） · 五期睡眠分期（SL-A）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	71.4%69.1%–73.6%	100
CBraMod	问题条件化分类头（C1-fz） · 五期睡眠分期（SL-A）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	70.9%68.6%–73.0%	100
CBraMod	五期睡眠分期（SL-A）· 冻结 CBraMod 特征上，问题条件化分类头减固定分类头（C1-fz − B-lin-fz-sgd）	配对差值（百分点），平衡准确率	+0.19 pp−0.74–+1.14 pp未显示差异；在 ±2 pp 内等效；通过门槛。	100
CBraMod	固定分类头（B-lin-fz-sgd） · 下一帧分期是否改变（SL-E）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	63.5%62.3%–64.7%	100
CBraMod	共享隐藏层（B-sh-fz） · 下一帧分期是否改变（SL-E）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	65.5%64.1%–66.7%	100
CBraMod	问题条件化分类头（C1-fz） · 下一帧分期是否改变（SL-E）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	65.2%63.9%–66.5%	100
CBraMod	下一帧分期是否改变（SL-E）· 冻结 CBraMod 特征上，问题条件化分类头减固定分类头（C1-fz − B-lin-fz-sgd）	配对差值（百分点），平衡准确率	+1.75 pp+0.92–+2.63 ppC1-fz 更高；未达到 2 pp 界值；通过门槛。	100
CBraMod	固定分类头（B-lin-fz-sgd） · 前半夜还是后半夜（SL-F）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	64.5%62.8%–66.1%	100
CBraMod	共享隐藏层（B-sh-fz） · 前半夜还是后半夜（SL-F）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	65.2%63.6%–66.9%	100
CBraMod	问题条件化分类头（C1-fz） · 前半夜还是后半夜（SL-F）· 冻结特征上只训分类头，3 个随机种子	平衡准确率	65.2%63.6%–66.9%	100
CBraMod	前半夜还是后半夜（SL-F）· 冻结 CBraMod 特征上，问题条件化分类头减固定分类头（C1-fz − B-lin-fz-sgd）	配对差值（百分点），平衡准确率	+0.77 pp−0.14–+1.67 pp未显示差异；在 ±2 pp 内等效；通过门槛。	100

BOAS 在说明三处缺口后发布（所有者决定，2026 年 10 月 7 日）：

知情同意声明没有说明被试是否同意公开共享或二次使用。The consent statement does not say whether participants agreed to public sharing or secondary use.
伦理与知情同意的陈述只来自发布者的数据集说明与 README，没有任何同行评审论文描述 BOAS。The ethics and consent statements come from the publisher's dataset description and README. No peer-reviewed paper describes BOAS.
伦理批件编号是在 1.1.1 版（2025 年 5 月）才加入发布的，发布中没有说明它是在记录之前还是之后批准的。The ethics reference was added to the release in version 1.1.1 (May 2025), and the release does not say when it was granted relative to the recordings.

被试在公开发布中是假名化的。这里没有任何结果是在评估 Bitbrain 的头带或它的自动睡眠分期；两者都没有使用。No result here evaluates Bitbrain's headband or its automatic sleep scoring; neither is used.

署名：Eduardo López-Larraz, María Sierra-Torralba, Sergio Clemente, Galit Fierro, David Oriol, Javier Minguez, Luis Montesano and Jens G. Klinzing · The Bitbrain Open Access Sleep (BOAS) dataset, OpenNeuro ds005555, version 1.1.3 (2026), doi:10.18112/openneuro.ds005555.v1.1.3. Polysomnography EEG and the human-consensus stage labels only; the headband recordings and the publisher's automatic labels are not used.

局限：这些问题都是各自数据集里已有标签的分类目标，按标识提问。它们不是语言提示，对没见过的问题也说明不了什么（那是第 3 条路线）。逐人计算的平衡准确率对每名被试同等加权；它用来比较各设置，不是部署时的错误率。SL-E 和 SL-F 在很大程度上可以由当前分期预测：只用真实的当前分期读出，平衡准确率就能达到 61.9% 和 59.2%（100 名被试，描述性）。配对 95% 区间不含零时，才算显示出差异；整个区间落在 ±2 pp 以内（这个界值在任何结果出来之前就已定下）时，才算等效；区间排除了某个设置落后 2 pp 或以上的可能时，说它非劣。不做多重比较校正：第二条路线有 21 项主分析比较，另有各项次要比较，在没有真实差异的比较里，约每 20 项就可能有 1 项偶然显示出差异。第二条路线的全部局限 →

BOAS · Bitbrain Open Access Sleep dataset · 用语言提问 · 睡眠（第三条路线）

来源页面：用语言提问 · questions-in-language-update.json

方法	条件	指标	数值	被试
CBraMod	P1 · 标签模板 − 题号（TPL − ID）· 已见，5 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−0.05 pp−0.70–+0.61 pp未显示差异；在 ±2 pp 内等效；通过捷径检查。	100
CBraMod	P1 · 描述 − 题号（DESC − ID）· 已见，5 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	+0.02 pp−0.59–+0.62 pp未显示差异；在 ±2 pp 内等效；通过捷径检查。	100
CBraMod	P2 · 新句式 − 训练问法（TPL(a1) − TPL(train)）· 已见，改写 · 三个随机种子	配对差值，语言问法减参照（pp）	−0.46 pp−1.33–+0.16 pp未显示差异；在 ±2 pp 内等效；通过捷径检查。	100
CBraMod	P2 · 同义词 − 训练问法（TPL(a2) − TPL(train)）· 已见，改写，只对这三个同义词成立 · 三个随机种子	配对差值，语言问法减参照（pp）	−12.60 pp−13.74–−11.43 ppTPL(train) 更高；未达到 2 pp 界值；通过捷径检查。	100
CBraMod	P2 · 新描述 − 训练描述（DESC(a3) − DESC(train)）· 已见，改写 · 三个随机种子	配对差值，语言问法减参照（pp）	−20.87 pp−29.49–−13.71 ppDESC(train) 更高；未达到 2 pp 界值；通过捷径检查。	100
CBraMod	P3 · 标签模板，对比读出（TPL / read-off）· 睡着 · 隐式名称 · 三个随机种子	log R：分类头与读出的剩余错误之比	+3.520+3.139–+3.967未见过的问题。R 为 33.80；读出剩余的错误更少；未达到 1.25 的比值界值；通过余量门槛。	100
CBraMod	P3 · 标签模板，对比读出（TPL / read-off）· 睡着 · 显式名称 · 三个随机种子	log R：分类头与读出的剩余错误之比	+1.951+1.623–+2.357未见过的问题。R 为 7.04；读出剩余的错误更少；未达到 1.25 的比值界值；通过余量门槛。	100
CBraMod	P3 · 标签模板，对比读出（TPL / read-off）· N1、N2 或 N3 期睡眠 · 显式名称 · 三个随机种子	log R：分类头与读出的剩余错误之比	+0.883+0.726–+1.047未见过的问题。R 为 2.42；读出剩余的错误更少；未达到 1.25 的比值界值；通过余量门槛。	100
CBraMod	P3 · 标签模板，对比读出（TPL / read-off）· 浅睡 · 隐式名称 · 三个随机种子	log R：分类头与读出的剩余错误之比	+2.267+2.072–+2.466未见过的问题。R 为 9.65；读出剩余的错误更少；未达到 1.25 的比值界值；通过余量门槛。	100
CBraMod	P3 · 标签模板，对比读出（TPL / read-off）· 浅睡 · 显式名称 · 三个随机种子	log R：分类头与读出的剩余错误之比	+1.519+1.343–+1.698未见过的问题。R 为 4.57；读出剩余的错误更少；未达到 1.25 的比值界值；通过余量门槛。	100
CBraMod	P3 · 描述，对比读出（DESC / read-off）· 睡着 · 新描述 · 三个随机种子	log R：分类头与读出的剩余错误之比	+3.444+2.913–+3.956未见过的问题。R 为 31.30；读出剩余的错误更少；未达到 1.25 的比值界值；通过余量门槛。	100
CBraMod	P3 · 描述，对比读出（DESC / read-off）· N1、N2 或 N3 期睡眠 · 新描述 · 三个随机种子	log R：分类头与读出的剩余错误之比	+1.299+0.793–+1.744未见过的问题。R 为 3.67；读出剩余的错误更少；未达到 1.25 的比值界值；通过余量门槛。	100
CBraMod	P3 · 描述，对比读出（DESC / read-off）· 浅睡 · 新描述 · 三个随机种子	log R：分类头与读出的剩余错误之比	+1.417+0.903–+1.856未见过的问题。R 为 4.12；读出剩余的错误更少；未达到 1.25 的比值界值；通过余量门槛。	100
CBraMod	P5 · 标签模板 − 错配模板（TPL − SHUF）· 未见问题，隐式名称 · 三个随机种子	AUROC 的配对差值	−0.378−0.501–−0.253未见过的问题。SHUF 更高；只读差异，不设界值；通过余量门槛。	100
CBraMod	P5 · 标签模板 − 错配模板（TPL − SHUF）· 未见问题，显式名称 · 三个随机种子	AUROC 的配对差值	+0.629+0.603–+0.654未见过的问题。TPL 更高；只读差异，不设界值；通过余量门槛。	100

BOAS 在说明三处缺口后发布（所有者决定，2026 年 10 月 7 日）：

知情同意声明没有说明被试是否同意公开共享或二次使用。The consent statement does not say whether participants agreed to public sharing or secondary use.
伦理与知情同意的陈述只来自发布者的数据集说明与 README，没有任何同行评审论文描述 BOAS。The ethics and consent statements come from the publisher's dataset description and README. No peer-reviewed paper describes BOAS.
伦理批件编号是在 1.1.1 版（2025 年 5 月）才加入发布的，发布中没有说明它是在记录之前还是之后批准的。The ethics reference was added to the release in version 1.1.1 (May 2025), and the release does not say when it was granted relative to the recordings.

被试在公开发布中是假名化的。这里没有任何结果是在评估 Bitbrain 的头带或它的自动睡眠分期；两者都没有使用。No result here evaluates Bitbrain's headband or its automatic sleep scoring; neither is used.

署名：Eduardo López-Larraz, María Sierra-Torralba, Sergio Clemente, Galit Fierro, David Oriol, Javier Minguez, Luis Montesano and Jens G. Klinzing · The Bitbrain Open Access Sleep (BOAS) dataset, OpenNeuro ds005555, version 1.1.3 (2026), doi:10.18112/openneuro.ds005555.v1.1.3. Polysomnography EEG and the human-consensus stage labels only; the headband recordings and the publisher's automatic labels are not used.

局限：“未见过”指 EEG 分类头没有见过；文本编码器读过这些词，而且每个留出频率的每个分词也都出现在训练文本中。留出的睡眠问题都是已见分期的组合（“睡着”是其中一期的补集），作为组合式问题报告，与读出结果并列。改写的结果与未见问题的结果分行列出，从不合并。35 项预先声明的比较，未做多重比较校正。运行前的标签置换金丝雀检查失败了两次（修订 3 和修订 4），由所有者修订；所有者推翻了修订 4 写下的“不再修订”；修订 5 通过。两次失败的记录都保留并披露。第三条路线的全部局限 →

WBCIC-SHU motor imagery dataset · 后续会话 · 二分类运动想象，第 1 次会话到第 3 次会话

来源页面：后续会话 · 随机水平 50.0% · later-sessions-update.json

方法	条件	指标	数值	被试
CBraMod · 冻结编码器，分类头用第 1 次会话拟合	第 1 次会话 → 第 3 次会话 · 不使用第 3 次会话的标签	平衡准确率	67.7%64.8%–70.5%	51
CBraMod · 冻结编码器，分类头用第 1 次会话拟合	减相对频谱功率 + 岭回归，相同被试与试次	配对差值（百分点）	+13.8 pp+11.3 pp–+16.4 pp这是两条固定流程在复用的测试试次上的比较；提升是否来自预训练、这个检查点的预训练数据中是否出现过 WBCIC-SHU，都尚未确定。	51

WBCIC-SHU motor imagery dataset · 后续会话 · 三分类运动想象，第 1 次会话到第 3 次会话

来源页面：后续会话 · 随机水平 33.3% · later-sessions-update.json

方法	条件	指标	数值	被试
CBraMod · 冻结编码器，分类头用第 1 次会话拟合	第 1 次会话 → 第 3 次会话 · 不使用第 3 次会话的标签	平衡准确率	51.6%45.2%–58.3%	11
CBraMod · 冻结编码器，分类头用第 1 次会话拟合	减相对频谱功率 + 岭回归，相同被试与试次	配对差值（百分点）	+14.0 pp+7.5 pp–+20.8 pp这是两条固定流程在复用的测试试次上的比较；提升是否来自预训练、这个检查点的预训练数据中是否出现过 WBCIC-SHU，都尚未确定。	11

全部方法 → · 全部数据集 →

是否出现在预训练数据中（按数据集）

每个核心数据集是否在模型作者公开的预训练数据清单中，于 2026-10-04 核查（只到数据集一级）并附来源；不在清单中的数据集，其记录仍可能出现在预训练数据中。

数据集	协议	情况	来源
ds003810 Motor Imagery vs Rest (low-cost EEG; Peterson et al.)	运动想象与静息	不在作者公开的预训练数据清单中（2026-10-04 核查）	来源 ↗
EEGMAT (PhysioNet EEG During Mental Arithmetic Tasks; Zyma et al. 2019)	心算与静息	不在作者公开的预训练数据清单中（2026-10-04 核查）	来源 ↗
ds006593 cBCI Matrix Multimodal Dataset (Celik et al.)	P300 目标 ERP	不在作者公开的预训练数据清单中（2026-10-04 核查）	来源 ↗
ds005383 TMNRED (Bai et al. 2025, Sci. Data 12:701)	语义目标 ERP	不在作者公开的预训练数据清单中（2026-10-04 核查）	来源 ↗
EESM19 Ear-EEG Sleep Monitoring 2019 (OpenNeuro ds005185; Mikkelsen et al.)	睡眠分期	不在作者公开的预训练数据清单中（2026-10-04 核查）	来源 ↗
BETA 40-target SSVEP (Liu et al. 2020, Front. Neurosci. 14:627)	SSVEP · 8 通道 · SSVEP · 4 通道	不在作者公开的预训练数据清单中（2026-10-04 核查）	来源 ↗
ds005342 EEG offline/online MI for standing and sitting (Triana-Guzman et al.)	空闲与指令	不在作者公开的预训练数据清单中（2026-10-04 核查）	来源 ↗

引用本页

BCI Report. CBraMod：在公开 EEG 数据集上的结果[EB/OL]. (2026-10-08). https://bci.report/zh/methods/cbramod/

数字来自发布 questions-in-language-update-20261008（2026-10-08）、later-sessions-update-20261008（2026-10-08）、shared-representation-update-20261007（2026-10-07）、reliable-decisions-update-20261004（2026-10-04）、deployment-topics-20260920-v1（2026-09-20）、research-preview-20260920（2026-09-20）。也请同时引用上游数据集：每个数据集页面都写明了署名。

每个发布版本都在 Zenodo 存档：doi:10.5281/zenodo.23123296。本站及各次发布的 BibTeX → · CITATION.cff ↗（英文）